ARIMA Model Winter METODOLOGI

388 dengan : Tabel.1 Kriteria ACF dan PACF Lt : Level pada waktu ke-t, a adalah bobot untuk level Tt : Trend pada waktu ke-t, g adalah Proses ACF PACF 1 2 3 bobot untuk trend St : Komponen musiman pada ARp dies down turun cepat secara eksponensialsinuso cuts off after la g p terputus setelah lag p waktu ke-t, d adalah bobot untuk idal komponen musiman p : periode musiman Yt : nilai data pada waktu ke-t MAq cuts off after la g q terputussetelah lag q dies down turun cepat secara eksponensialsinusoid Y-hat : nilai fit pada waktu ke-t. al

3. METODOLOGI

Data yang digunakan pada penelitian ini adalah data saham harian Bank Rakyat Indonesia BBRI, Bank Mandiri BMRI, ARMA p,q dies down after la g q-p or p-q turun cepat secara lag q-p atau p-q dies down after la g q-p or pq turun cepat secara lag q-p atau p-q dan Bank Central Asia BBCA, pada periode waktu 1 desember 2015 hingga 13 mei 2016. Data merupakan jenis data time series yang bersumber dari bursa efek indonesia indonesia stock exchangeidx. Analisis dilakukan melalui langkah-langkah sebagai berikut:

a. ARIMA

1. Megidentifikasi Model : Pada tahap ini, dilakuakn identifikasi model yang bisa mewakili deret pengamatan. Identifikasi model dilakukan dengan: a Membuat plot data time series melalui plot data dapat diketahui apakah data mengandung trend , musiman, outlier , variansi tidak konstan. Jika data time series tidak stasioner maka data harus distasionerkan terlebih dahulu. Jika data tidak stasioner dalam varians dan mean, maka langkah pertama harus menstabilkan variansinya. b Menghitung dan mencocokkan sampel ACF dan PACF dari data time series yang asli. Sampel ACF dan PACF dari data time series yang asli dapat digunakan untuk menentukan tingkat differencing yang sebaiknya digunakan jika data tidak stasioner dalam rata-rata. c Menghitung dan mencocokkan sampel ACF dan PACF dari data time series yang telah ditransformasikan dan didiferencing apabila telah diputuskan untuk melakukan transformasi ataupun dfferencing . 2. Mengestimasi Parameter, pada tahap dipilih taksiran model yang baik dengan melakukan uji hipotesis untuk parameter. Hipotesis : H : parameter tidak signifikan H 1 : parameter signifikan Level toleransi ฀ = 5 = 0,05 Kriteria uji : Tolak 0 H jika p-value ฀ . 3. Melakukan Uji Diagnosis, Setelah mendapatkan estimator ARIMA, langkah selanjutnya adalah memilih model yang mampu menjelaskan data dengan baik. Data dilihat apakah residual bersifat random sehingga merupakan residual yang relatif kecil. Jika tidak,maka harus kembali ke langkah pertama untuk memilih model yang lain. 4. Melakukan Prediksi, setelah didapat model yang sesuai, maka selanjutnya melakukan prediksi menggunakan model tersebut sesuai dengan periode waktu peramalan yang di inginkan dalam penelitian ini 15 periode waktu atau hari.

b. Model Winter

1. Mengidentifikasi model sementara yaitu dilakukan identifikasi stasioneritas data, baik dalam mean atau varians. 2. Mengestimasi parameter model yaitu dilakukan pemilihan metode estimasi dalam model Winter, yaitu metode Moment, Least Square, atau Maximum Likelihood. 389 3. Melakukan Diagnosa pada model dalam hal kenormalan residual data. Jika kenormalan tidak terpenuhi maka data tidak cocok dimodelkan dengan model winter.

c. MAPE